Tıbbi karar verme, hastanın geçmiş ve mevcut sağlık durumunu anlamaya dayanarak gelecekteki hastalık seyrini tahmin etmek ve değiştirmek için kullanılır. Araştırmacılar, bir kişinin geçmiş tıbbi geçmişi göz önüne alınarak 1.000'den fazla hastalığın görülme sıklığını tahmin edebilen ve gelecekteki sağlık seyrinin sentetik örneklerini oluşturabilen, değiştirilmiş Generative Pre-trained Transformer (GPT) tabanlı bir model olan Delphi-2M'yi geliştirdiler. İngiltere Biobank kohortu (400.000 kişi) üzerinde eğitilen model, parametre ayarlaması yapılmadan Danimarka Ulusal Kohortu (1,9 milyon kişi) üzerinde harici doğrulama elde etti ve tek hastalık modellerine benzer tahmin doğruluğu gösterdi.
- Tıbbi karar verme, hastanın geçmiş ve mevcut sağlık durumunu anlamaya dayanarak gelecekteki hastalık seyrini tahmin etmek ve değiştirmek için kullanılır.
- Araştırmacılar, bir kişinin geçmiş tıbbi geçmişi göz önüne alınarak 1.000'den fazla hastalığın görülme sıklığını tahmin edebilen ve gelecekteki sağlık seyrinin sentetik örneklerini oluşturabilen, değiştirilmiş Generative Pre-trained Transformer (GPT) tabanlı bir model olan Delphi-2M'yi geliştirdiler.
- İngiltere Biobank kohortu (400.000 kişi) üzerinde eğitilen model, parametre ayarlaması yapılmadan Danimarka Ulusal Kohortu (1,9 milyon kişi) üzerinde harici doğrulama elde etti ve tek hastalık modellerine benzer tahmin doğruluğu gösterdi.
Tıbbi karar verme, hastanın geçmiş ve mevcut sağlık durumunu anlamaya dayanarak gelecekteki hastalık seyrini tahmin etmek ve değiştirmek için kullanılır.

Transformer mimarisi, doğal dil işlemede, hastalık ilerlemesine paralel olarak, olağanüstü sekans modelleme yetenekleri sergilemiştir: her ikisi de gelecekteki sonuçları tahmin etmek için geçmiş olaylardan yararlanmayı gerektirir. BERT veya Transformer tabanlı modeller kullanarak elektronik sağlık kayıtlarını tahmin etmeye yönelik girişimler mevcut olsa da, kapsamlı çoklu hastalık üretken modelleme henüz sistematik bir değerlendirmeden geçmemiştir. Delphi-2M bu boşluğu doldurmaktadır.

Çoklu hastalık tahmin performansı

Gelecekteki Sağlık Gidişatı Oluşturma
Ayrıca, tamamen sentetik verilerle eğitilmiş modeller, gerçek doğrulama setinde orijinal modelden sadece yüzde 3 daha düşük performans gösterdi. Bu da, sentetik verilerin istatistiksel özellikleri korurken gizliliği korumak için kullanılabileceğini gösteriyor.
Açıklanabilirlik analizi
- Katılımcıların seçilmesinde önyargı: Katılımcılar çoğunlukla 40-70 yaşları arasında sağlıklı gönüllülerden oluşuyordu, bu da ölüm oranlarının düşük tahmin edilmesine yol açtı.
- Veri kaynağı önyargısı: Hastane verileri ağırlıklı olarak ağır hastalıkları kapsar ve eksik veriler tahmin önyargısına yol açar.
Bu bulgular, heterojen popülasyonlara uygulanan modelleri yorumlarken dikkatli olunması gerektiğini göstermektedir.
- Avantajlar: Çoklu hastalık ortak tahmini, uzun vadeli hastalık seyri oluşturma, gizlilik koruyucu sentetik veri oluşturma.
- İçgörü: Komorbidite modellerini ve zamana bağlı ilişkileri ortaya çıkarmak, çoklu hastalık ilişki çalışmaları ve sağlık riski sınıflandırması için yeni araçlar sağlar.
- Sınırlamalar: Sağlıklı gönüllülerde önyargılar, eksik veriler ve yetersiz nüfus temsil gücü mevcuttur; öngörü sonuçları nedensel ilişkiler olarak dikkatli bir şekilde yorumlanmalıdır.
Araştırmacılar, gelecekte çok modlu girdilere (genomik, metabolomik, görüntüleme, giyilebilir cihaz verileri vb.) genişletmeyi ve klinik karar desteği ve halk sağlığı planlaması için Delphi’nin genel amaçlı büyük dil modelleriyle entegrasyonunu araştırmayı önermektedir.
Referanslar
Shmatko, A., Jung, A.W., Gaurav, K. ve diğerleri. Üretken dönüştürücülerle insan hastalıklarının doğal tarihini öğrenmek. Nature (2025).
Yapay zekâya sor
Haberi seçtiğiniz asistanda hazır bir soruyla açın
Şu haberi 3 maddede özetle: https://aihaber.org/nature-insan-hastaliklarinin-dogal-tarihinin-uretken-donusturucu-odakli-ogrenimi/
Gemini hazır soruyla açılamıyor: soru panonuza kopyalanır, açılan sayfada yapıştırmanız yeterli.
Bu haber işinize yaradı mı?
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın